Tomato——Beta冲刺Day4

托码头小队 团队 2024-05-24 23:13:21
这个作业属于哪个课程<2302软件工程社区>
这个作业要求在哪里团队作业—beta冲刺+事后诸葛亮
这个作业的目标团队Beta冲刺
团队名称托码头小队
团队项目Tomato时间管理小程序
其他参考文献《构建之法》

目录

  • SCRUM部分
  • 一、站立式会议照片
  • 二、成员描述
  • 三、项目展示
  • PM 报告
  • 一、整个项目预期的任务量
  • 二、项目燃尽图
  • 三、代码展示

SCRUM部分

一、站立式会议照片

img

二、成员描述

人员描述
222100224林然鹏今日进展:进行待办事务模块部分接口前后的联调
遇到的困难:暂无
现在到明天站立式会议的安排:继续完善功能
心得体会:联调总能暴露许多问题
222100225林璞今日进展:前后端部分功能联调测试,研究了下华为云
遇到的困难:服务器使用不熟练
现在到明天站立式会议的安排:继续进行功能测试,学习如何部署项目
心得体会:继续测试!
222100226欧景天今日进展:完成评论组件的一部分
遇到的困难:回复评论的评论不好做
现在到明天站立式会议的安排:继续完成评论
心得体会:难
222100119柯昊旸今日进展:完成第四天的Beta冲刺,对前端界面进行优化
遇到的困难:部分界面内容显示不清
现在到明天站立式会议的安排:完成第五次的Beta冲刺随笔,继续优化前端
心得体会:不断练习,完成界面美化任务
222100235黄烨琳今日进展:对自己负责的接口实现进行测试
遇到的困难:暂无
现在到明天站立式会议的安排:继续对自己负责的接口进行测试
心得体会:测试和开发需要考虑的东西截然不同,设计测试用例是很困难的一件事
222100327赵振廷今日进展:删除默认图片信息
遇到的困难:很多乱码
现在到明天站立式会议的安排安排:对bug的补足
心得体会:ok了家人
222100329衷进之今日进展:修好文章详情字体显示问题
遇到的困难:暂无
现在到明天站立式会议的安排:再对beta测试的问题进行复盘
心得体会:唯有不断努力才能提升自己
052106112林黄骁今日进展:配置 nginx,使用 HTTPS
遇到的困难:之前没有用过 HTTPS
现在到明天站立式会议的安排:完成域名 HTTPS 证书的下发及部署
心得体会:HTTPS 极大的加强了网站的安全性,但是也提升了部署难度

三、项目展示

  • 华为云服务器实例

img

  • 开发成员代码签入记录

  • 前端:

img

PM 报告

一、整个项目预期的任务量

所有工作的预期时间:21天时间,共有待办、我的、登录、文章展示、专注计时、社交等模块功能需要完成。

目前已经完成的工作量:后端程序正在优化,试验前后端联调,学习使用华为云服务器。

前端界面:待办、我的、论坛、登录等模块功能已完成,评论的页面,专注功能的计时都已完成

还剩余的工作量:前端的专注页面和文章评论需要完善美化,论坛的评论功能界面还未完成。

二、项目燃尽图

img

三、代码展示

  • 前端代码

  • 评论组件

<!-- 评论-回复-回复评论显示区域 -->
<view class="container">
    <!-- 总共评论数 -->
    <view class="total">共{{comment_list.length + comment_list2.length}}条评论</view>
    <!-- END -->
    <!-- 评论框 -->
    <input confirm-type="send" class="container_inp" value="{{value}}" placeholder="{{ placeholder2 }}" placeholder-class="container_place" bindconfirm="bindconfirm"></input>
    <!-- END -->
    <!-- 用户评论回复显示区域 -->
    <view class="container-item" wx:for="{{comment_list}}" wx:for-item="list" wx:key="key">
        <image class="item_img" src="{{list.comment_user_avatar}}"></image>
        <view class="item_right">
            <view class="right_name">{{list.comment_user_name}}</view>
            <view class="right_content">
                <text class="right_content_txt" bindtap='replyComment' data-type="1" data-name='{{list.comment_user_name}}' data-cid='{{list.comment_id}}' data-pid="{{list.parent_id}}">{{list.comment_text}}</text>
                <text class="right_content_txt2">{{list.comment_time}}</text>
                <!-- 回复评论 -->
                <!-- 判断回复列表数据中的parent_id和评论列表数据的comment_id是否相等 相等就显示 不等就不显示 -->
                <view class="reply" wx:for="{{comment_list2}}" wx:for-item="list2" wx:key="list2" wx:if="{{list2.parent_id == list.comment_id}}">
                    <image class="reply_img" src="{{list2.comment_user_avatar}}"></image>
                    <view class="reply_right">
                        <view class="right_name">{{list2.comment_user_name}}</view>
                        <text wx:if="{{list2.reply_name == ''}}" class="right_content_txt" bindtap='replyComment' data-type="2" data-name='{{list2.comment_user_name}}' data-cid='{{list2.comment_id}}' data-pid="{{list2.parent_id}}">{{list2.comment_text}}</text>
                        <text wx:if="{{list2.reply_name != ''}}" bindtap='replyComment' data-type="2" data-name='{{list2.comment_user_name}}' data-cid='{{list2.comment_id}}' data-pid="{{list2.parent_id}}" class="right_content_txt">回复 <text class="right_name">{{list2.reply_name}}:</text>{{list2.comment_text}}</text>
                        <text class="right_content_txt2">{{list2.comment_time}}</text>
                    </view>
                </view>
            </view>
        </view>
    </view>
    <!-- END -->
    <!-- 结束 -->
    <view class="end">
        <text class="end_txt" space="nbsp">—  THE END  —</text>
    </view>
    <!-- END -->
</view>
<!-- END -->
<!-- 底部评论 -->
<view class="foot">
    <view class="say">
        <!-- 输入框 -->
        <view class="flex">
            <image class="say_img" src="/static/img/comment/write.png"></image>
            <input confirm-type="send" class="say_inp" placeholder="{{ placeholder }}" value="{{ comment_text }}" focus="{{ focus }}" bindblur="blur" bindconfirm="confirm"></input>
        </view>
    </view>
    <image class="foot_img" src="/static/img/comment/comment.png"></image>
    <text class="foot_num">210</text>
    <van-icon class="foot_img" size="25px" bind:click="switchLike"  color="{{pagedetail.isLiked==1? 'red': '' }}" name="like-o" />
    <text class="foot_num">368</text>
</view>
<!-- END -->


...全文
303 回复 打赏 收藏 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
数据集可视化效果见下方。 【数据集概况】 · 检测类别(中文):[公交车(bus), 车辆(vehicle)] · 训练集:1899 张 · 验证集:0 张 · 测试集:0 张 · 总计:1899 张 该数据集聚焦于城市道路环境下的车辆检测任务,旨在为智能交通系统提供高质量的标注数据支持。通过采集真实道路场景中的各类车辆图像,该数据集能够有效支撑车辆识别与分类模型的训练与优化,具有较高的实用价值和研究意义。数据集覆盖了多种车辆类型,包括公交车和普通车辆,为复杂交通环境下的目标检测提供了丰富的样本。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 96 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.9950** mAP50-95 | 0.9884 Precision | 0.9513 Recall | 0.9659 train/box_loss | 0.0783 train/cls_loss | 0.0416 val/box_loss | 0.1259 val/cls_loss | 0.0771 【训练过程分析】 96 轮训练后 mAP50 达到 0.9950,模型收敛良好。Loss 曲线前段快速下降,后段趋于平稳,val_loss 无反弹,没有明显过拟合。mAP50-95 为 0.9884,和 mAP50 差距仅 0.01,框的定位精度也很扎实。 【模型性能评估】 Precision 0.9513、Recall 0.9659,精召双高,模型对公交车、车辆的检测能力强。多类检测中,不同类别性能可能有差异,需关注难例类别的表现。 【预测效果展示...
内容概要:本文系统研究了基于连续小波变换(CWT)与多种深度学习模型相结合的机械故障诊断方法,利用凯斯西储大学轴承故障公开数据集进行实验验证,并提供了完整的Matlab代码实现。研究首先通过连续小波变换将一维振动信号转化为二维时频图像,以增强信号的时频特征表达能力;随后构建并对比了CNN、ResNet、CNN-SVM、CNN-BiGRU、CNN-LSTM等多种深度神经网络模型用于故障分类识别,全面分析各模型在诊断精度、收敛速度与泛化能力等方面的性能差异。该研究融合信号处理与深度学习技术,属于具有创新性的未发表成果,达到可复现SCI一区论文水平。; 适合人群:适用于具备信号处理基础和机器学习知识,从事故障诊断、状态监测、工业自动化等领域的研究生、科研人员及工程技术开发者;尤其适合熟悉Matlab编程并希望开展相关课题研究或工程应用的专业人士。; 使用场景及目标:①应用于旋转机械设备(如电机、齿轮箱、轴承等)的早期故障检测与智能分类;②支撑学术科研中关于深度学习与信号处理融合方法的研究与高水平论文复现;③作为课程设计、毕业设计或科研项目的实践案例,提升从数据预处理到模型构建再到实证分析的全流程能力。; 阅读建议:建议结合所提供的Matlab代码同步运行与调试,重点关注连续小波变换的参数选择、时频图生成策略以及各类深度学习模型的网络结构设计与训练细节,同时可进一步探索其他小波基函数、优化算法或多模型融合策略以拓展研究深度。
内容概要:本文围绕基于定向M波段双树(希尔伯特)小波的多分量彩色图像去噪方法展开研究,提出一种融合方向选择性与多分辨率分析能力的小波变换技术,用于高效去除彩色图像中的复杂噪声。该方法充分利用M波段双树小波的冗余特性、方向敏感性和近似平移不变性,显著提升在高噪声环境下图像细节的保留能力与去噪性能,并通过Matlab代码实现完整的算法仿真、小波分解与重构流程以及多通道图像处理机制。研究系统评估了不同噪声类型和强度下的去噪效果,采用峰值信噪比(PSNR)、结构相似性(SSIM)等客观指标进行量化分析,验证了该方法在抑制噪声与保护纹理、边缘方面的优越性;; 适合人群:具备数字图像处理基础知识,熟悉小波变换理论及Matlab编程语言的研究生、科研人员,尤其适合从事图像去噪、计算机视觉、遥感图像处理及相关领域研究的专业技术人员;; 使用场景及目标:①应用于彩色图像在采集、传输过程中因传感器噪声、信道干扰等因素引起的质量退化恢复任务;②为医学影像、卫星遥感、安防监控等高保真图像处理系统提供先进的去噪模块技术支持;③作为学术研究中新型小波去噪算法的复现、性能对比与改进的基础平台; 阅读建议:建议读者结合提供的Matlab代码深入理解算法实现细节,重点关注小波分解层数的选择、方向滤波器组的设计、阈值处理策略的设定及其对去噪效果的影响,同时可通过与传统小波、VisuShrink、BayesShrink等经典去噪方法的对比实验,全面掌握该模型在不同场景下的优势与适用边界。

122

社区成员

发帖
与我相关
我的任务
社区描述
FZU-SE
软件工程 高校
社区管理员
  • LinQF39
  • 助教-吴可仪
  • 一杯时间
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧